Awesome GitHub RepositoriesPose Estimation Models

Ultralytics is a comprehensive computer vision framework designed for training, validating, and deploying deep learning models across a wide range of visual recognition tasks. It provides a unified interface for core operations including object detection, instance segmentation, pose estimation, and image classification. By utilizing a modular architecture, the platform allows users to swap model components to balance inference speed and accuracy requirements for diverse applications. The framework distinguishes itself through its support for real-time processing and flexible deployment. It in

YOLOv7 is a PyTorch vision library and real-time inference engine designed for object detection, human pose estimation, and instance segmentation. It provides a framework for detecting and locating multiple objects within images or video streams using neural networks. The system includes tools for custom model training and fine-tuning, allowing pre-trained weights to be adapted to specialized datasets via transfer learning. It also supports model weight export and format conversion to facilitate deployment on production servers and embedded edge devices.

This is a real-time object detection framework built on the YOLOv3 architecture, implemented in PyTorch. It provides a complete pipeline for identifying and localizing objects in images and video using a single neural network pass, combining a Darknet-53 backbone with multi-scale feature pyramids and anchor-based bounding box prediction. The framework extends beyond basic detection to include instance segmentation, human pose estimation, and multi-object tracking across video frames. It offers a model export toolkit that converts trained models through ONNX to CoreML, TensorFlow Lite, and Ten

AlphaPose es un framework de estimación de pose basado en deep learning y una biblioteca de visión artificial para PyTorch, diseñada para detectar y rastrear puntos clave del cuerpo humano, rostro, manos y pies en imágenes y videos. Proporciona un sistema para la estimación de posturas esqueléticas y el seguimiento de poses de múltiples personas. El proyecto implementa herramientas para la reconstrucción de poses humanas en tres dimensiones, generando posiciones de articulaciones y mallas corporales a partir de datos de imágenes bidimensionales. También incluye un rastreador de poses multi-persona capaz de mantener la identidad de varios individuos a través de fotogramas de video consecutivos. El framework cubre una amplia gama de capacidades de visión artificial, incluyendo la localización de puntos clave en múltiples personas, el seguimiento de movimiento humano y la reconstrucción de mallas corporales en 3D.

CenterNet es un framework de detección de objetos por puntos centrales y una tubería (pipeline) de visión artificial en tiempo real. Identifica objetos y poses prediciendo puntos centrales en lugar de utilizar cajas de anclaje (anchor boxes). El sistema funciona como un estimador de cajas delimitadoras 3D, un modelo de estimación de pose humana y una herramienta para la detección de objetos en tiempo real. Trata la ubicación de las articulaciones y las posiciones de los objetos como problemas de detección de puntos centrales para localizar entidades en imágenes y en el espacio tridimensional. Las capacidades cubren la detección de objetos 3D, la estimación de puntos clave humanos y el análisis de video en vivo. La tubería utiliza un proceso de inferencia de alimentación directa (feedforward) de una sola etapa para realizar análisis continuo en cámaras web o archivos de video.

PaddleX is a PaddlePaddle-based framework for building, deploying, and fine-tuning AI model pipelines, with pre-built support for computer vision, OCR, document analysis, and time series tasks. It offers a toolkit of ready-to-use pipelines for image classification, object detection, segmentation, and pose estimation, alongside an end-to-end OCR document analysis pipeline that extracts text, tables, formulas, and layout information. The platform also includes a dedicated time series forecasting pipeline for analyzing historical data to detect anomalies, classify patterns, and predict future val

Gluon-CV es una biblioteca de visión artificial para MXNet que proporciona una colección completa de arquitecturas de visión preimplementadas y tuberías de entrenamiento. Sirve como un kit de herramientas de investigación de aprendizaje profundo y un zoológico de modelos (model zoo) que contiene pesos preentrenados de última generación para análisis de imágenes y video. El proyecto incluye una biblioteca especializada en estimación de pose humana y un kit de herramientas de compresión de modelos. Estas herramientas permiten la poda (pruning) y cuantización de modelos de aprendizaje profundo para aumentar la velocidad de inferencia y facilitar el despliegue en hardware de borde (edge hardware) con recursos limitados. La biblioteca cubre una amplia gama de capacidades de visión, incluyendo clasificación de imágenes, detección de objetos y segmentación semántica e instanciada. También proporciona herramientas para análisis de video, como reconocimiento de acciones, seguimiento de objetos y estimación de profundidad monocular. El entrenamiento es compatible a través de tuberías automatizadas y cargas de trabajo distribuidas multi-GPU para acelerar la convergencia del modelo.

Sapiens es un modelo de visión humana de alta resolución diseñado para tareas de visión artificial centradas en el ser humano de alta precisión. Funciona como un conjunto de herramientas para estimar la pose humana, la profundidad y la geometría de la superficie. El proyecto utiliza un backbone de vision transformer para realizar múltiples tareas a través de un codificador compartido. Esta arquitectura permite la predicción simultánea de estructuras esqueléticas, ubicaciones de articulaciones y la distancia entre una cámara y un sujeto humano. Las capacidades del modelo cubren la segmentación de partes del cuerpo humano para aislar regiones anatómicas de los fondos y la predicción de normales de superficie para recuperar detalles geométricos 3D a partir de imágenes 2D. Estas tareas están respaldadas por un framework de aprendizaje multitarea que emplea regresión a nivel de píxel y enmascaramiento de segmentación semántica.

Este proyecto es una implementación en PyTorch de una arquitectura de investigación diseñada para el aprendizaje de representaciones de alta resolución. Funciona como un framework de visión artificial centrado en la detección precisa de puntos clave, la estimación de poses humanas y la segmentación semántica de imágenes. La implementación proporciona herramientas especializadas para identificar puntos de referencia anatómicos en el cuerpo humano y predecir coordenadas de puntos clave faciales para analizar la orientación y alineación. Utiliza un sistema de flujos paralelos de múltiples resoluciones y fusión multiescala repetida para mantener representaciones de alta resolución en toda la red. El framework abarca una amplia gama de tareas de visión artificial, incluyendo detección de objetos, clasificación de imágenes y segmentación semántica a nivel de píxel. También incluye flujos de trabajo para entrenar modelos en datasets etiquetados y evaluar cuantitativamente la precisión de las posiciones articulares predichas frente a datos de validación.

HigherHRNet es un framework de deep learning diseñado para la estimación de poses humanas de abajo hacia arriba (bottom-up). Funciona como un detector de puntos clave de visión artificial que identifica y rastrea las articulaciones del cuerpo humano utilizando pirámides de características de alta resolución y aprendizaje de representación consciente de la escala. El proyecto destaca por su enfoque bottom-up, que identifica partes individuales del cuerpo en toda una imagen antes de agruparlas en esqueletos humanos distintos. Esta metodología se apoya en la fusión de características multirresolución, que mantiene representaciones de alta resolución en toda la red al fusionar repetidamente ramas paralelas de diferentes resoluciones espaciales. Para garantizar una precisión consistente para sujetos de diferentes tamaños, el sistema emplea regresión de mapas de calor consciente de la escala e inferencia multiescala, agregando predicciones a través de múltiples resoluciones de imagen. El framework incluye herramientas integrales para entrenar redes neuronales en grandes conjuntos de datos. Estos pipelines de entrenamiento incorporan normalización por lotes sincronizada para estabilizar la convergencia en múltiples unidades de procesamiento gráfico (GPU) y computación de tensores de precisión mixta para gestionar el consumo de memoria y la velocidad de entrenamiento. La arquitectura también utiliza capas de sobremuestreo deconvolucional para mapear representaciones de baja resolución de vuelta a las dimensiones de entrada originales.

Este proyecto es un framework de deep learning construido para detectar y rastrear puntos clave del cuerpo humano en imágenes y flujos de video. Funciona tanto como un sistema de seguimiento de movimiento en tiempo real como un entorno de machine learning para entrenar y evaluar modelos de estimación de pose. El sistema utiliza una red neuronal convolucional de dos ramas para predecir las ubicaciones de las partes del cuerpo y sus conexiones direccionales simultáneamente. Emplea refinamiento de características multietapa para mejorar la precisión de la localización de puntos clave y utiliza algoritmos de análisis codicioso y emparejamiento bipartito para asociar las partes detectadas en esqueletos individuales. Para mantener el rendimiento durante el análisis de video en vivo, el framework ejecuta inferencia paralela a través de regiones de imagen utilizando procesamiento por lotes basado en tensores. Más allá del seguimiento en tiempo real, la biblioteca proporciona herramientas para entrenar modelos en conjuntos de datos anotados y calcular la precisión media promedio (mAP) frente a benchmarks estandarizados para verificar la calidad de la detección. El repositorio incluye los componentes necesarios para gestionar el ciclo de vida completo de la estimación de pose, desde el entrenamiento inicial del modelo hasta la validación del rendimiento.

Este proyecto es un framework de visión artificial diseñado para la detección en tiempo real de puntos clave del cuerpo humano y estructuras esqueléticas. Proporciona un kit de herramientas integrado para entrenar, optimizar y ejecutar modelos de estimación de pose específicamente para su despliegue en hardware de computación de borde. El framework se distingue por utilizar mapeo de campos de afinidad de partes para codificar relaciones espaciales entre articulaciones, que luego se procesan a través de un algoritmo de análisis codicioso para reconstruir esqueletos humanos a partir de datos visuales. Para asegurar una ejecución de alto rendimiento, la biblioteca incorpora cuantización de modelos y motores de inferencia acelerados por hardware que optimizan los grafos computacionales para hardware local específico. Más allá de la detección central, el proyecto admite flujos de trabajo de extremo a extremo que incluyen el desarrollo de modelos de pose personalizados utilizando esquemas de conjuntos de datos estandarizados. Estas capacidades permiten el ajuste fino de modelos para abordar tareas de detección únicas mientras se mantienen los requisitos de baja latencia necesarios para el análisis de transmisiones de video en vivo.